KR20200081503A

KR20200081503A - 기술 시스템에서 발진들을 감소시키기 위한 방법, 제어기, 및 컴퓨터 프로그램 제품

Info

Publication number: KR20200081503A
Application number: KR1020207017829A
Authority: KR
Inventors: 지그문트 뒬; 카이 히셰; 구르데브 싱; 마크 크리스티안 베버
Original assignee: 지멘스 악티엔게젤샤프트
Priority date: 2017-11-23
Filing date: 2017-11-23
Publication date: 2020-07-07
Also published as: CN111356958A; WO2019101314A1; US11994852B2; US20200371480A1; EP3698220B1; EP3698220A1; KR102231617B1

Abstract

기술 시스템(GT)에서 발진들을 감소시키기 위해, 기술 시스템(GT)에 대한 복수의 상이한 제어기 설정들(CP)이 수신된다. 개개의 제어기 설정(CP)에 대해, 개개의 제어기 설정(CP)에 의해 제어되는 기술 시스템의 시계열의 동작 데이터를 나타내는 신호(SG)가 수신되고, 신호(SG)가 프로세싱되고, 그에 의해, 프로세싱은 주파수 영역으로의 변환을 포함하고, 그리고 프로세싱된 신호(PSG)의 엔트로피 값(S)이 결정된다. 결정된 엔트로피 값들(S)에 따라, 복수의 제어기 설정들(CP)로부터 제어기 설정(SCP)이 선택되고, 그리고 기술 시스템(GT)을 구성하기 위해, 그 선택된 제어기 설정(SCP)이 출력된다.

Description

기술 시스템에서 발진들을 감소시키기 위한 방법, 제어기, 및 컴퓨터 프로그램 제품

가스 터빈(gas turbine)들, 풍력발전 터빈(wind turbine)들, 연소 엔진(combustion engine)들, 생산 공장(production plant)들, 3D 프린터(printer)들, 또는 전력망(power grid)들과 같은 복잡한 기술 시스템(technical system)들은 일반적으로, 생산적이고 안정적인 동작 범위에서 기술 시스템을 동작시키기 위해, 정교한 제어 전략들 또는 제어 정책들을 필요로 한다. 많은 경우들에서, 기술 시스템의 다양한 컴포넌트(component)들 및/또는 그것의 제어기들 간의 복잡한 동적 상호작용들은 기술 시스템에서 발진(oscillation)들을 유발한다. 그러나, 그러한 발진들은 일반적으로, 기술 시스템의 효율을 손상시키고 그리고/또는 기술 시스템의 마모를 증가시킨다.

복잡한 기술 시스템들을 위한 최신 제어기들은 종종, 예컨대 인공 신경망(artificial neural network)들에 기반하는 기계 학습 방법(machine learning method)들을 사용한다. 그러한 기계 학습 방법들은 일반적으로, 복잡한 동적 거동을 모델링(model)하고, 그리고 기술 시스템을 제어하기 위한 효율적인 제어 정책들을 제공할 수 있다. 그러나, 많은 경우들에서, 그러한 제어 정책들의 복잡성은 복잡한 발진 패턴(oscillation pattern)들을 발생시키며, 그 복잡한 발진 패턴들은 감소시키기 어렵거나 검출하기 어렵다.

본 발명의 목적은, 기술 시스템에서 발진들의 효율적인 감소를 가능하게 하는, 기술 시스템을 위한 방법 및 제어기를 제공하는 것이다.

이 목적은 제1항에 따른 방법, 제12항에 따른 제어기, 제13항에 따른 컴퓨터 프로그램 제품(computer program product), 및 제14항에 따른 컴퓨터 판독가능 저장 매체에 의해 달성된다.

기술 시스템, 특히 가스 터빈, 풍력발전 터빈, 연소 엔진, 생산 공장, 3D 프린터, 및/또는 전력망에서 발진들을 감소시키기 위해, 기술 시스템에 대한 복수의 상이한 제어기 설정들이 수신된다. 개개의 제어기 설정에 대해, 개개의 제어기 설정에 의해 제어되는 기술 시스템의 시계열의 동작 데이터(operational data)를 나타내는 신호가 수신되고, 신호가 프로세싱되고(processed), 그에 의해, 프로세싱(processing)은 주파수 영역(frequency domain)으로의 변환을 포함하고, 그리고 프로세싱된 신호의 엔트로피 값(entropy value)이 결정된다. 결정된 엔트로피 값들에 따라, 복수의 제어기 설정들로부터 제어기 설정이 선택되고, 그리고 기술 시스템을 구성하기 위해, 그 선택된 제어기 설정이 출력된다.

본 발명의 방법을 실행하기 위해, 제어기, 컴퓨터 프로그램 제품, 및 컴퓨터 판독가능 저장 매체가 제공된다.

본 발명의 방법 및 본 발명의 제어기는, 하나 이상의 프로세서(processor)들, 주문형 집적 회로(ASIC; application-specific integrated circuit)들, 디지털 신호 프로세서(DSP; digital signal processor)들, 및/또는 필드-프로그램가능 게이트 어레이(FPGA; field-programmable gate array)들에 의해 구현될 수 있다.

본 발명의 하나의 장점은 기술 시스템의 동작 신호들에서 복잡한 그리고 명확하지 않은 발진 구조들을 검출하고 감소시키는 능력에서 확인될 수 있으며, 신호들은 상당한 잡음 레벨(noise level)에 영향을 받을 수 있고, 예상된 발진 주파수들의 대략적인 추정치만이 알려질 수 있다. 특히, 느린 발진들 및 중첩된 발진들이 검출가능하다. 복수의 상이한 제어기 설정들로부터 특정 제어기 설정을 선택하는 것은 종종, 제어기 설정들의 본질(internal)들에 대한 접근(access) 또는 그 본질들에 관한 지식 없이도 발진들의 감소를 가능하게 하여서, 제어기 설정들의 생성을 제어기 설정들의 평가로부터 분리시킨다. 더욱이, 엔트로피 값은 많은 경우들에서 단순하고 강력한 선택 기준인 것으로 밝혀졌다. 이는 종종, 허용가능한 시간 내에 수백 또는 수천 개의 상이한 제어기 설정들을 평가하는 것을 가능하게 한다. 선택된 제어기 설정은 기술 시스템에 대한 제어기에서 영구적으로 구현될 수 있어서, 기술 시스템의 제어를 구성 및 최적화할 수 있다.

본 발명의 구체적인 실시예들은 종속항들에 의해 제공된다.

본 발명의 유리한 실시예에 따르면, 높은 또는 최대 엔트로피 값을 유발하는 제어기 설정이 바람직하게 선택 단계에서 선택될 수 있다. 주파수 영역에서 프로세싱된 신호의 낮은 엔트로피 값은 일반적으로 발진들을 표시한다. 따라서, 높은 또는 최대 엔트로피 값을 갖는 제어기 설정을 선택함으로써, 원하지 않는 발진들이 효과적으로 감소될 수 있다.

본 발명의 추가의 실시예에 따르면, 제어기 설정들은 기술 시스템에 대한 상이한 제어 정책들을 포함할 수 있고, 제어 정책들은 하나 이상의 기계 학습 방법들에 의해 기술 시스템에 대한 하나 이상의 제어 모델(control model)들을 트레이닝(training)하는 것으로부터 유발된다. 그러한 제어 정책들은 종종 제어 전략들로 지칭된다.

바람직하게, 하나 이상의 기계 학습 방법들은, 인공 신경망, 순환 신경망(recurrent neural network), 컨볼루션 신경망(convolutional neural network), 딥러닝 아키텍처(deep learning architecture), 강화 학습 방법(reinforcement learning method), 오토인코더(autoencoder), 서포트 벡터 머신(support vector machine), 데이터-중심 회귀 모델(data-driven regression model), k-최근접 이웃 분류기(k-nearest neighbor classifier), 및/또는 물리적 모델을 이용할 수 있다.

본 발명의 유리한 실시예에 따르면, 신호의 프로세싱은 신호의 자기상관(autocorrelation)을 결정하는 것을 포함할 수 있다. 자기상관은 시점들의 쌍들에서 신호와 신호 그 자체의 상관관계, 즉, 신호와 신호 자체의 시간-시프트된 사본(time-shifted copy)의 상관관계를 특정한다. 특히, 신호의 자기공분산(autocovariance)이 결정될 수 있다. 자기공분산은 시점들의 쌍들에서 신호와 신호 그 자체의 공분산을 특정하므로, 상이한 시간 시프트(time shift)들에 대한 평균 값으로부터의 편차들의 상관관계를 특정한다. 신호의 자기공분산 또는 자기상관을 컴퓨팅(computing)함으로써, 신호의 주기적 성분들은 일반적으로 신호의 잔류 잡음 성분들에 비해 증폭되어서, 발진들의 검출을 개선한다.

유리하게, 신호의 자기상관 또는 자기공분산은, 바람직하게는 고속 푸리에 변환(FFT; Fast Fourier Transformation)에 의해 주파수 영역으로 변환될 수 있다. 바람직하게, 결과적인 주파수 스펙트럼(frequency spectrum)은, 특히 그 전체 면적에 대해, 즉, 적분 정규화(integral normalization)에 의해 정규화될 수 있다. 주파수 영역에서, 심지어 신호의 작은 주기적 성분들조차도 일반적으로 피크(peak)들로서 나타난다.

본 발명의 추가의 실시예에 따르면, 엔트로피 값들은 임계 값과 비교될 수 있고, 제어기 설정의 선택은 비교 결과에 따라 좌우될 수 있다. 비교 전에, 엔트로피 값들은, 특히 프로세싱된 신호의 가능한 최대 엔트로피에 대해 정규화될 수 있다.

게다가, 신호의 프로세싱은 신호를 정해진 길이의 시간 세그먼트(time segment)들로 세분하는 것을 포함할 수 있다. 그런 다음, 주파수 영역으로의 변환 및 엔트로피 값의 결정이 개개의 시간 세그먼트에 대해 수행될 수 있다. 따라서, 자기상관의 결정, 주파수 스펙트럼의 정규화, 및 엔트로피 값들의 정규화는 개개의 시간 세그먼트에 대해 특정하게 수행될 수 있다. 엔트로피 값들의 그러한 시간-세그먼트-특정 결정은 시간-종속적 효과들을 추적하는 것을 가능하게 한다.

유리하게, 신호의 주기성의 추정치가 수신될 수 있고, 시간 세그먼트들의 길이는 수신된 추정치에 따라 설정될 수 있다. 특히, 예상되는 최대 주기성에 대한 값이 수신될 수 있고, 시간 세그먼트의 길이는 그 최대 주기성 길이의 적어도 2배로 설정될 수 있다.

게다가, 상이한 시간 세그먼트들에 대해 결정된 엔트로피 값들은, 이러한 엔트로피 값들의 평균 값, 최대 값, 또는 최소 값, 및/또는 이러한 엔트로피 값들의 분포의 분위수 값(quantile value)을 결정함으로써 어그리게이팅될(aggregated) 수 있다. 그런 다음, 제어기 설정의 선택은 어그리게이팅된 엔트로피 값들에 따라 좌우될 수 있다. 그러한 어그리게이션(aggregation)은 종종, 잡음 신호들의 경우에서 정확도를 향상시킨다.

본 발명의 특정 실시예들은 도면들을 참조하여 다음의 단락들에서 설명된다. 도면들은 개략적 표현으로 예시된다:
도 1은 기술 시스템에 대한 제어 모델들을 트레이닝하기 위한 기계 학습 모듈(machine learning module)이고, 그리고
도 2는 기술 시스템에서 발진들을 감소시키기 위한 본 발명의 제어기이다.

도 1은 기술 시스템(GT)에 대한 제어 모델들(CM)을 트레이닝하기 위한 기계 학습 모듈(LRN)을 개략적인 표현으로 예시한다. 본 실시예에서, 기술 시스템(GT)은 가스 터빈이다. 대안적으로 또는 추가적으로, 기술 시스템(GT)은 풍력발전 터빈, 연소 엔진, 생산 공장, 3D 프린터, 및/또는 전력망을 포함할 수 있다.

가스 터빈(GT)은, 가스 터빈(GT)의 동작 데이터(OP)를 측정 및 제공하는 하나 이상의 센서(sensor)들(SE)을 갖는다. 그러한 동작 데이터(OD)는 센서 데이터, 물리적 데이터(예컨대, 온도, 압력, 엔트로피, 전압, 또는 전류 값들), 화학적 데이터, 제어 데이터, 성능 데이터, 상태 데이터, 컨디션 데이터(condition data), 측정 데이터, 환경 데이터, 예측 데이터, 시뮬레이팅된(simulated) 동작 데이터, 디폴트 데이터(default data), 또는 기술 시스템(GT)의 상태 또는 특성을 특정하거나 또는 기술 시스템(GT)에 의해 생성되거나 또는 기술 시스템(GT)과 관련하여 생성되는 다른 데이터를 포함할 수 있다. 이 외에도, 동작 데이터(OD)는 제어 모듈들, 시뮬레이션 모듈(simulation module)들, 또는 기술 시스템(GT)의 사용자 단말들과 같은 다른 소스(source)들로부터 또는 기술 시스템(GT)과 관련된 다른 엔티티(entity)들로부터 획득될 수 있다. 본 실시예에 따르면, 동작 데이터(OD)는 가스 터빈(GT)으로부터 기계 학습 모듈(LRN)로 송신된다.

기계 학습 모듈(LRN)은 데이터-중심형이고 트레이닝가능(trainable)하며, 가스 터빈(GT)에 대한 하나 이상의 제어 모델들(CM)을 트레이닝하기 위해 하나 이상의 기계 학습 방법들, 특히 강화 학습 방법을 구현한다. 실제로, 이 트레이닝을 수행하기 위해 많은 표준 기계 학습 방법들이 이용가능하다. 기계 학습 모듈(LRN)은 기계 학습 방법들을 실행하기 위한 하나 이상의 프로세서들, 및 기계 학습 방법들에 의해 사용되는 데이터를 저장하기 위한, 프로세서와 커플링된(coupled) 하나 이상의 메모리 모듈(memory module)들을 포함한다.

본 실시예에 따르면, 기계 학습 모듈(LRN)은, 수신된 동작 데이터(OD)가 공급되는, 인공 신경망(NN) 및 평가 모듈(EM)을 더 포함한다.

신경망(NN)은, 위에서 언급된 기계 학습 방법들에 의해 트레이닝될(trained) 하나 이상의 트레이닝가능한 제어 모델들(CM)을 구현한다. 제어 모델들(CM)은 가스 터빈(GT)의 동적 거동 및 그것의 제어를 가능한 한 정확하게 반영하는 것을 목표로 한다. 각각의 제어 모델(CM)은, 동작 데이터(OD)의 개개의 입력을, 가스 터빈(GT)을 제어하기 위한 제어 신호들(CS)에 맵핑(map)한다. 각각의 제어 모델(CM)은, 가스 터빈(GT)이 결과적인 제어 신호들(CS)에 의해 최적의 방식으로 제어되는 방식으로 트레이닝되어야 한다. 제어 신호들(CS) 또는 제어 신호들(CS)로부터 유도된 신호들은 가스 터빈(GT)을 제어하기 위해 기계 학습 모듈(LRN)로부터 가스 터빈(GT)으로 송신된다.

평가 모듈(EM)은 하나 이상의 미리 결정된 기준들에 따라, 수신된 동작 데이터(OD)에 따라 가스 터빈(GT)의 상태 또는 다른 특성을 평가하는 데 사용된다. 결과적으로, 평가 값들(EV)이 출력된다. 미리 결정된 기준들은, 평가 값들(EV)이 가스 터빈(GT)의 원하는 거동의 척도(measure)인 방식으로 선택된다. 특히, 평가 모듈(EM)은 수신된 동작 데이터(OD)로부터, 가스 터빈(GT)의 성능, 부하, 오염, 자원 소비, 마모 및/또는 다른 동작 파라미터(operational parameter)를 결정할 수 있고, 이 파라미터 또는 이러한 파라미터들을 평가 값들(EV)로서 출력할 수 있다.

제어 모델들(CM)은 수신된 동작 데이터(OD), 및 평가 모듈(EM)로부터의 평가 값들(EV)에 의해 트레이닝된다. 트레이닝은 평가 값들(EV)을 최적화하는 것을 목표로 한다. 이 목적을 위해, 제어 신호들(CS)에 의해 가스 터빈(GT)을 제어하는 것으로부터 유발된 평가 값들(EV)은, 도 1에서 점선 화살표로 표시된 바와 같이, 신경망(NN)으로 리턴되고(returned), 제어 모델들(CM)은, 평가 값들(EV)을 최적화하고 그에 따라 가스 터빈(GT)의 원하는 거동을 최적화하도록 조정된다. 제어 모델들(CM)의 조정을 위해, 많은 표준 기계 학습 방법들이 사용될 수 있다.

제어 모델들(CM) 각각은 가스 터빈(GT)의 많은 상이한 동작 컨디션들 하에서 트레이닝될 수 있다. 그런 다음, 성공적으로 트레이닝된 제어 모델(CM) 각각으로부터 그리고 각각의 동작 컨디션에 대해, 특정 제어 정책(CP)이 추출될 수 있다. 이러한 제어 정책들(CP)은 기술 시스템(GT)을 구성 및/또는 제어하기 위한 제어기 설정들로서 사용될 수 있다. 실제로, 그러한 방식으로 수백 개의 트레이닝된 제어 정책들(CP)이 생성될 수 있다.

생성된 제어 정책들(CP)은 기계 학습 모듈(LRN)에 의해 출력된다. 본 발명에 따르면, 생성된 제어 정책들(CP)은 발진들에 대한 그 생성된 제어 정책들(CP)의 경향과 관련하여 검사되어야 한다. 그 후, 기술 시스템(GT)을 실제로 구성 및/또는 제어하기 위해, 생성된 모든 제어 정책들로부터 특정 저 발진들을 나타내는 특정 제어 정책이 선택된다.

도 2는 기술 시스템(GT)에서 발진들을 감소시키기 위한 본 발명의 제어기(CTL)를 개략적 표현으로 예시한다. 도 1의 참조 부호들과 동일한, 도 2의 참조 부호들은 동일한 엔티티들을 나타내며, 그 동일한 엔티티들은 바람직하게 위에서 설명된 바와 같이 구현된다.

제어기(CTL)는 기술 시스템(GT)의 일부일 수 있거나 또는 기술 시스템(GT)으로부터 적어도 부분적으로 분리되어 구현될 수 있다. 제어기(CTL)는, 제어기(CTL)의 모든 방법 단계들을 실행하기 위한 하나 이상의 프로세서들, 및 제어기(CTL)에 의해 사용되는 데이터를 저장하기 위한, 프로세서와 커플링된 하나 이상의 메모리 모듈들을 포함한다.

제어기(CTL)는, 기술 시스템(GT)을 구성 및/또는 제어하기 위한 제어기 설정들로서 사용가능한 다수의 제어 정책들(CP)을 기계 학습 모듈(LRN)로부터 수신한다. 기계 학습 모듈(LRN)은 제어기(CTL)와 별개로 구현될 수 있거나 또는 제어기(CTL)에 의해 적어도 부분적으로 구성될 수 있다.

다수의 제어 정책들 중 각각의 개개의 제어 정책(CP)에 대해, 제어기(CTL)는 제어-정책-특정 제어 신호들(CS(CP))에 의해 기술 시스템(GT)을 제어하고, 기술 시스템(GT)으로부터 제어-정책-특정 동작 신호들(SG(CP))을 각각 수신한다. 동작 신호들(SG(CP))은 개개의 시계열의 제어-정책-특정 동작 데이터를 나타내고, 개개의 시계열의 제어-정책-특정 동작 데이터는 위에서와 같이 특정된다. 제어-정책-특정은, 개개의 제어 정책(CP)에 의해 제어 신호들(CS(CP))이 생성된다는 것 및 개개의 제어 정책(CP)에 의해 기술 시스템(GT)을 제어하는 것으로부터 동작 신호들(SG(CP))이 유발된다는 것을 의미한다. 동작 신호들(SG(CP))은 센서들, 또는 기술 시스템(GT)의 다른 동작 데이터 소스들로부터 발생할 수 있다.

제어기(CTL)는 추가로, 동작 신호들(SG(CP))의 최대 주기성의 추정치(T)를 수신한다.

추정치(T)는 사용자로부터 또는 기술 규격으로부터 수신될 수 있거나, 또는 다른 방식으로 결정될 수 있다.

각각의 개개의 제어 정책(CP)에 대한 동작 신호들(SG(CP))을 프로세싱하기 위해, 제어기(CTL)는 서브샘플링 모듈(subsampling module)(SUB), 상관 모듈(COR), 및 변환 모듈(FFT)을 포함한다. 게다가, 제어기(CTL)는 엔트로피 모듈(SM), 어그리게이션 모듈(AGG), 선택 모듈(SEL), 및 인공 신경망(NN)을 포함한다.

서브샘플링 모듈(SUB)에는 최대 주기성(T) 및 동작 신호들(SG(CP))이 공급된다. 각각의 제어 정책(CP)에 대해, 서브샘플링 모듈(SUB)은 개개의 동작 신호(SG(CP))를 정해진 길이의 시간 세그먼트들(TS)로 세분화한다. 그러한 시간 세그먼트들은 종종 서브샘플(subsample)들로 표기된다. 본 실시예에 따르면, 길이는 최대 주기성(T)에 따라, 특히 T 이상의 값까지 또는 2*T 이상의 값까지 설정된다.

시간 세그먼트들(TS)은 서브샘플링 모듈(SUB)로부터 상관 모듈(COR)로 송신된다. 상관 모듈(COR)은 각각의 개개의 제어 정책(CP)에 대한 각각의 개개의 시간 세그먼트(TS)의 자기공분산 함수(AC)를 결정한다. 자기공분산 함수(AC)는 일종의 자기상관으로서 간주될 수 있고, 상이한 시간 시프트들에 대한 개개의 시간 세그먼트(TS)의 평균 값으로부터의 편차들의 상관으로서 결정될 수 있다. 시간 세그먼트들(TS)의 자기공분산 함수들(AC)을 컴퓨팅함으로써, 시간 세그먼트들(TS) 내의 주기적 성분들은 일반적으로 잔류 잡음 성분들에 비해 증폭되어서, 발진들의 검출을 개선한다.

자기공분산 함수들(AC)은 상관 모듈(COR)로부터 변환 모듈(FFT)로 송신된다.

변환 모듈(FFT)은, 각각의 개개의 시간 세그먼트(TS) 및 각각의 개개의 제어 정책(CP)에 대한 주파수 스펙트럼을 유발하는 이산 푸리에 변환(discrete Fourier transformation)을 수행함으로써, 각각의 자기공분산 함수(AC)를 주파수 영역으로 변환한다. 이를 위해, 표준 고속 푸리에 변환 절차가 사용될 수 있다. 바람직하게, 결과적인 주파수 스펙트럼들 각각은, 특히 주파수 스펙트럼들의 총 면적에 의해, 즉, 적분 정규화에 의해 정규화된다. 위의 프로세싱 단계들의 조합, 특히 자기공분산 함수를 적용하고 결과적인 주파수 스펙트럼들을 정규화하는 것은, 본 발명의 방법의 견고성 및 성능을 증가시킨다.

각각의 정규화된 주파수 스펙트럼은, 프로세싱된 신호(PSG)로서, 변환 모듈(FFT)로부터 엔트로피 모듈(SM)로 송신된다. 엔트로피 모듈(SM)은, 각각의 제어 정책(CP)의 발진 경향을 평가하기 위해, 각각의 개개의 시간 세그먼트(TS) 및 각각의 개개의 제어 정책(CP)에 대해 프로세싱된 신호(PSG)의 엔트로피 값(S)을 결정한다.

바람직하게, 개개의 엔트로피 값(S)은, 예컨대 다음의 식에 따라, 개개의 프로세싱된 신호(PSG)의 섀넌 엔트로피(Shannon entropy)(S0)를 먼저 계산함으로써 결정되며,

여기서, p_i는 개개의 정규화된 주파수 스펙트럼(PSG)에서 i번째 주파수 빈(frequency bin)의 진폭이며, 그 합은 그 스펙트럼의 모든 빈들에 걸쳐 이어진다. 그 후에, 정해진 길이를 갖는 주파수 스펙트럼의 가능한 최대 엔트로피와 관련하여 섀넌 엔트로피(S0)가 정규화된다. 그 정규화의 결과는 엔트로피 값(S)을 제공하며, 그 엔트로피 값(S)은 개개의 정규화된 주파수 스펙트럼(PSG)의 균일성의 스케일가능 측정치(scalable measure)이다. 즉, 엔트로피 값(S)이 낮을수록, 개개의 시간 세그먼트(TS)가 발진 패턴을 다소 나타낼 가능성이 더 높다.

각각의 개개의 시간 세그먼트(TS) 및 각각의 개개의 제어 정책(CP)에 대해, 개개의 엔트로피 값(S)은 엔트로피 모듈(SM)로부터 어그리게이션 모듈(AGG)로 송신된다. 어그리게이션 모듈은, 특히 관련된 엔트로피 값들(S)의 평균, 최대, 최소, 또는 분위수(quantile)를 결정함으로써, 개개의 제어 정책(CP)의 모든 시간 세그먼트들(TS)에 대한 엔트로피 값들(S)을 어그리게이팅(aggregate)한다. 이는 각각의 개개의 제어 정책(CP)에 대해 어그리게이팅된 엔트로피 값(SAVG)을 유발한다. 어그리게이팅된 엔트로피 값(SAVG)은 단일 스칼라 측정(single scalar measure)에 의한 개개의 제어 정책(CP)의 전체적인 평가를 가능하게 한다.

각각의 개개의 제어 정책(CP)에 대해, 어그리게이팅된 엔트로피 값(SAVG)은 어그리게이션 모듈(AGG)로부터 선택 모듈(SEL)로 송신된다. 선택 모듈(SEL)은, 특정 저 발진들을 나타내는 하나 이상의 제어 정책들(SCP)을 다수의 저장된 제어 정책들(CP)로부터 선택하는 데 사용된다. 본 실시예에 따르면, 최대 어그리게이팅된 엔트로피 값(SAVG)을 갖는 제어 정책이 결정되고, 선택된 제어 정책(SCP)으로서 출력된다.

대안적으로 또는 추가적으로, 엔트로피 값들(S) 및/또는 어그리게이팅된 엔트로피 값들(SAVG)은, 개개의 제어 정책(CP) 및/또는 개개의 시간 세그먼트(TS)를 발진인지 발진이 아닌지로 태깅(tag)하기 위해, 미리 정의된 임계 값과 비교될 수 있다. 그런 다음, 선택은 비교 결과들 또는 태깅(tagging)에 따라 좌우될 수 있다.

선택된 제어 정책(SCP)은 선택 모듈(SEL)로부터 신경망(NN)으로 송신되어 신경망(NN)의 제어 모델을 구성한다. 그런 다음, 신경망(NN)은 선택된 제어 정책(SCP)에 따른 제어 신호들(CS(SCP))을 생성하고, 기술 시스템(GT)을 제어하기 위해 그 제어 신호들(CS(SCP))을 기술 시스템(GT)에 출력한다.

주파수 영역에서 낮은 엔트로피 값들은 일반적으로, 기저 동작 신호에서 발진들 또는 시간 주기성을 표시하기 때문에, 최대 엔트로피를 유도하는 제어 정책(SCP)의 선택 및 적용은 기술 시스템(GT)에서 발진들을 효과적으로 감소시킨다.

Claims

기술 시스템(technical system)(GT)에서 발진(oscillation)들을 감소시키기 위한 방법으로서,
a) 상기 기술 시스템(GT)에 대한 복수의 상이한 제어기 설정들(CP)을 수신하는 단계,
b) 개개의 제어기 설정(CP)에 대해,
상기 개개의 제어기 설정(CP)에 의해 제어되는 상기 기술 시스템(GT)의 시계열의 동작 데이터를 나타내는 신호(SG)를 수신하는 단계,
상기 신호(SG)를 프로세싱하는 단계 ― 상기 프로세싱은 주파수 영역(frequency domain)으로의 변환을 포함함 ―, 및
상기 프로세싱된 신호(PSG)의 엔트로피 값(entropy value)(S)을 결정하는 단계,
c) 상기 결정된 엔트로피 값들(S)에 따라 상기 복수의 제어기 설정들(CP)로부터 제어기 설정(SCP)을 선택하는 단계, 및
d) 상기 기술 시스템(GT)을 구성하기 위해 상기 선택된 제어기 설정(SCP)을 출력하는 단계를 포함하는,
방법.
제1항에 있어서,
상기 선택 단계에서, 높은 엔트로피 값(S)을 유발하는 제어기 설정(SCP)이 바람직하게 선택되는,
방법.
제1항 또는 제2항에 있어서,
상기 기술 시스템(GT)은 가스 터빈(gas turbine), 풍력발전 터빈(wind turbine), 연소 엔진(combustion engine), 생산 공장, 3D 프린터, 및/또는 전력망(power grid)을 포함하는,
방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 제어기 설정들은 상기 기술 시스템(GT)에 대한 상이한 제어 정책들(CP)을 포함하고, 상기 제어 정책들(CP)은 하나 이상의 기계 학습 방법들에 의해 상기 기술 시스템(GT)에 대한 하나 이상의 제어 모델들(CM)을 트레이닝하는 것으로부터 유발되는,
방법.
제4항에 있어서,
상기 하나 이상의 기계 학습 방법들은, 인공 신경망(artificial neural network)(NN), 순환 신경망(recurrent neural network), 컨볼루션 신경망(convolutional neural network), 딥러닝 아키텍처(deep learning architecture), 강화 학습 방법(reinforcement learning method), 오토인코더(autoencoder), 서포트 벡터 머신(support vector machine), 데이터-중심 회귀 모델(data-driven regression model), k-최근접 이웃 분류기(k-nearest neighbor classifier), 및/또는 물리적 모델을 이용하는,
방법.
제1항 내지 제5항 중 어느 한 항에 있어서,
상기 신호(SG)를 프로세싱하는 단계는 상기 신호(SG)의 자기상관(autocorrelation)(AC)을 결정하는 단계를 포함하는,
방법.
제6항에 있어서,
상기 신호(SG)의 자기상관(AC)은 상기 주파수 영역으로 변환되는,
방법.
제1항 내지 제7항 중 어느 한 항에 있어서,
상기 엔트로피 값들(S)은 임계 값과 비교되고, 그리고
상기 제어기 설정의 선택은 비교 결과에 따라 좌우되는,
방법.
제1항 내지 제8항 중 어느 한 항에 있어서,
상기 신호(SG)를 프로세싱하는 단계는 상기 신호(SG)를 정해진 길이의 시간 세그먼트들(time segments)(TS)로 세분하는 단계를 포함하고, 그리고
상기 주파수 영역으로의 변환 및 상기 엔트로피 값(S)의 결정은 개개의 시간 세그먼트(TS)에 대해 수행되는,
방법.
제9항에 있어서,
상기 신호(SG)의 주기성(T)의 추정치가 수신되고, 그리고
상기 시간 세그먼트들(TS)의 길이는 상기 수신된 추정치(T)에 따라 설정되는,
방법.
제9항 또는 제10항에 있어서,
상기 엔트로피 값들의 평균 값, 최대 값, 또는 최소 값, 및/또는 상기 엔트로피 값들의 분포의 분위수 값(quantile value)을 결정함으로써, 상이한 시간 세그먼트들(TS)에 대해 결정된 엔트로피 값들(S)이 어그리게이팅되고(aggregated), 그리고
상기 제어기 설정의 선택은 상기 어그리게이팅된 엔트로피 값들(SAVG)에 따라 좌우되는,
방법.
기술 시스템(GT)에서 발진들을 감소시키기 위한 제어기(CTL)로서,
상기 제어기(CTL)는 제1항 내지 제11항 중 어느 한 항에 따른 방법을 수행하도록 구성되는,
제어기(CTL).
기술 시스템(GT)에서 발진들을 감소시키기 위한 컴퓨터 프로그램 제품으로서,
상기 컴퓨터 프로그램 제품은 제1항 내지 제11항 중 어느 한 항에 따른 방법을 수행하도록 구성되는,
컴퓨터 프로그램 제품.
제13항에 따른 컴퓨터 프로그램 제품을 포함하는 컴퓨터 판독가능 저장 매체.